为什么人人都应该学点数据分析和可视化？——九数云

标签：数据分析和可视化 | 发布时间： 2023-02-22 10:00:54

科学文献中充斥着糟糕的图表，引发了很多的误解，甚至造成更严重的后果。避免设计图表的误区可以帮助读者更好地理解你的研究。

想象一本没有图片的科学教科书。没有图表、图形或是带有箭头和标签的插图或流程图，科学将变得更加难以理解。人类天生就是视觉动物，而科学的视觉效果对于分析数据、传达实验结果甚至做出惊人的发现至关重要。

麻省理工学院（MIT）博德研究所（Broad Institute）的创意总监王邦（音，Bang Wong）指出，数据分析和可视化可以揭示很难或无法以其他任何方式找到的模式、趋势和联系。他说：“通过绘制数据点，我们可以看到数据的基础结构，这在表格上是看不到的。”

但是，很少有科学家会像在生成数据或撰写报告时一样，对视觉效果给予同等的关注。结果就是科学中充斥着糟糕的数据分析和可视化效果，使读者感到困惑，甚至可能误导画出它们的科学家。数据视觉效果不足会降低科研质量，并阻碍科研进展。随着越来越多的科学图像进入新闻和社交媒体，解释从气候变化到疾病爆发的种种现象，糟糕的视觉效果还有可能损害公众对科学的理解。

改善科学数据分析和可视化需要我们更好地了解人脑看世界的优点、缺点和偏见。 “关于什么有效而什么无效，我们已经积累了很多实用的知识，”犹他大学的计算机科学家米里亚·梅耶（Miriah Meyer）说，“有许多原则经过时间的考验，并一遍又一遍地被证明是有效的。”

在 20 世纪 80 年代初期，贝尔实验室的统计学家威廉·克利夫兰（William Cleveland）和罗伯特·麦吉尔（Robert McGill）开始研究人类感知的细节如何影响我们理解数据图形的能力，以了解哪种图表我们更容易理解，哪种图表看起来更吃力。在 1984 年发表于《美国统计协会杂志》（ Journal of the American Statistical Association）上的开创性论文中，克利夫兰和麦吉尔根据人们阅读内容的便捷程度，对视觉元素进行了排名。

他们的实验表明，人们最擅长根据条形或线段的长度来阅读图表，例如标准条形图。当准确识别各项值之间的细微差别很重要时，这些数据分析和可视化是最佳选择。

研究还发现，参与者们很难判断方向、角度和面积的差异。使用体积、曲率或阴影来表示数据的图形更加困难。而体现差异最差的办法是通过色彩饱和度。

上一篇: 九数云——如何做数据分析
下一篇: 九数云一文教你销售数据分析怎么写